以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Large language models are deployed as long-horizon agents that compose diverse tools across MCP services into executable workflows. Existing MCP environment-scaling methods are data-centric: they first synthesize a database and scenario, then derive tools and tasks from them. As a result, tool interfaces may not match
阅读原文 · Guanting Dong, Zhichao Sun, Xinyu Yang, Rui Wang, Xin Deng, Jiajie Jin, Zhixiong Yang, Junhao Huang, Han Han, Mingyu Ma, Xiaotao Wang, Yuyang Hu, Xiaoshuai Song, Xiaoxi Li, Jiejun Tan, Zhecan Wang, Shihan Dou, Honglin Guo, Zhiheng Xi, Tao Gui, Tao Ji, Qi Zhang, Yutao Zhu, Ji-Rong Wen, Zhicheng Dou
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看，原因很直接： 长周期 Agent 训练最缺的是环境，工具环境尤其缺 。现在很多做法是先造数据库和场景，再从里面派生工具和任务，工具接口容易失真，工具组合没有经过真实执行验证，任务也常常困在单一环境里。 ToolSpace 把这个顺序倒过来了。它从真实 MCP 服务的执行轨迹里挖工具之间的依赖关系，再据此聚类出环境，最后才补数据库和任务。 先有...